Das Entwicklungsteam hinter FLUX hat das neue multimodale Foundation-Modell FLUX 3 offiziell für die Early-Access-Phase freigegeben. Das Modell markiert einen Architekturenwechsel, da es nicht mehr isolierte Medienarten trainiert, sondern Bilder, Videos und Audio simultan in einer einheitlichen Struktur verarbeitet. Dieser Ansatz nutzt wechselseitige Beschränkungen zwischen den Modalitäten, um eine konsistente Repräsentation physikalischer Realität zu erlernen, bei der Bewegung, Masse, Kausalität und akustische Effekte logisch miteinander verknüpft werden. Grundlage bildet die selbstentwickelte Self-Flow-Architektur, die Generierung und Verständnis multimodaler Daten auf einer gemeinsamen Basis vereint. FLUX 3 vereint nun mehrere Kernfunktionen. Die Videogenerierung liefert bis zu zwanzig Sekunden lange Clips mit nativem, synchronisiertem Audio. Die Modelle beherrschen Text-zu-Video- sowie referenzbasierte Pfade und weisen insbesondere bei der Darstellung von Mimik und der kausalen Zuordnung von Geräuschen zu physikalischen Ereignissen starke Ergebnisse auf. Die Bildkomponente unterstützt die Synthese und Bearbeitung in diversen Stilen und Auflösungen, wobei die Erkennung und präzise Wiedergabe von Text in mehreren Sprachen deutlich verbessert wurde. Darüber hinaus erweitert FLUX 3 den Anwendungsbereich hin zur physikalischen KI. Durch die Integration von Action-Prediction-Komponenten und eine Partnerschaft mit Mimic Robotics entstand FLUX-mimic. Dieses auf Robotik spezialisierte Modell nutzt die Videobackbone-Architektur von FLUX 3, um Greifmanipulationen und Produktionsaufgaben mit minimalem Fine-Tuning zu steuern, was bereits im industriellen Umfeld getestet wird. Erste interne und externe Benchmarks deuten auf eine klare Marktpositionierung hin. In vorläufigen Vergleichen wurde FLUX 3 in bis zu 93 Prozent der Fälle gegenüber Luma Ray 3.2 und in 77 Prozent gegen Runway Gen-4.5 bevorzugt. Gegenüber Grok Imagine Video, Kling v3 Pro und Happy Horse erreichte es Werte zwischen 57 und 69 Prozent, während es bei Seedance 2.0 und Gemini Omni Flash auf Augenhöhe lag. Die Entwickler betonen, dass die aktuellen Werte vorläufig sind und die Modellversion sowie die umgebende Infrastruktur in der Early-Access-Phase weiter optimiert werden. Der weitere Rollout erfolgt gestaffelt, begleitet von umfangreichen Sicherheitstests, Feedback-Schleifen und der nachfolgenden Veröffentlichung technischer Dokumentation. Interessierte können derzeit Early-Access-Anträge stellen. Parallel dazu sucht das Team Verstärkung für die Weiterentwicklung hin zu einem vollständigen Modell, das Wahrnehmung, Handlungsvorhersage und Sprachverständnis final vereint. Die Expansion und Neueinstellungen konzentrieren sich dabei auf Standorte in Deutschland und den Vereinigten Staaten.